Penerapan Cross Validation sebagai Analisis Sentimen Pelayanan Publik Kereta Api Lokal Daop 8 Menggunakan Metode Multinomial Naïve Bayes
DOI:
https://doi.org/10.33379/gtech.v8i2.4117Keywords:
Sentiment Analysis, Multinomial Naive Bayes, Cross ValidationAbstract
Dalam menyediakan layanan yang efisien dan berkualitas untuk Masyarakat pada sektor transportasi kereta api wilayah daerah operasional 8 Surabaya, perlu dilakukan langkah untuk memenuhi harapan pengguna kereta api subsidi. Penelitian ini bertujuan untuk mengetahui pengaruh cross validation terhadap metode Multinomial Naïve Bayes dalam analisis sentimen menggunakan metode 10-fold cross validation. Langkah-langkah preprocessing data dilakukan sehingga didapatkan data sebanyak 1123 komentar dengan dua kelas yaitu kelas positif sebanyak 778 komentar dan negatif sebanyak 345 komentar. Analisis dilakukan sebanyak 2 kali dengan proses validasi 10-fold cross validation dan pengujian Multinomial Naïve Bayes. Berdasarkan hasil pengujian Multinomial Naïve Bayes menggunakan data uji sebanyak 225 data, didapatkan 14 data positif dan 160 data negatif yang ditinjau dari performa pengujian terbaik pada parameter nilai validasi fold = 1. Hasil akhir didapatkan nilai akurasi 77%, presisi 81%, recall 77%, dan f1 score 71%, yang mengungkapkan bahwa model efektif dalam mengklasifikasi komentar negatif dari kesluruhan data uji.
References
Chen, M. (2020). expressions of reviewers ’ avatars. https://doi.org/10.1108/OIR-08-2018-0251
Dananjaya, A. B. T., & Irawan, M. I. (2023). Analisis Sentimen pada Komentar terhadap Kebijakan Perjalanan Domestik yang Dikelompokkan Menggunakan Metode Self-Organizing Maps. Jurnal Sains Dan Seni ITS, 12(1). https://doi.org/10.12962/j23373520.v12i1.107484
Estika, I. Di, Irfan, D., & Pratiwi, O. N. (2021). Analisis Sentimen Ulasan Pengguna Untuk Peningkatan Layanan Menggunakan Algoritma Naive Bayes (Studi kasus: Bukalapak). E-Proceeding of Engineering, 8(2), 2735–2745.
Fahrudin, T. M., Sari, A. R. F., Iffadah, A. S., Windyadari, C. C., & ... (2022). Pemodelan Teks Tweet pada Isu Pelecehan Seksual Berbasis Analisis Sentimen dan Leksikon Emosi. Senada, 2022(Senada), 12–23. https://senada.upnjatim.ac.id/index.php/senada/article/view/33%0Ahttps://senada.upnjatim.ac.id/index.php/senada/article/download/33/19
Farisi, A. A., Sibaroni, Y., & Faraby, S. Al. (2019). Sentiment analysis on hotel reviews using Multinomial Naïve Bayes classifier. Journal of Physics: Conference Series, 1192(1). https://doi.org/10.1088/1742-6596/1192/1/012024
Febrisa Sidabutar, A., Habibi, R., & Isti Rahayu, W. (2023). Perbandingan Metode Klasifikasi Untuk Pengelompokan Risiko Magang Mahasiswa. JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 2071–2076. https://doi.org/10.36040/jati.v7i3.7026
Hanif Razka, M., Theresiawati, T., & Chamidah, N. (2023). Analisis Sentimen terhadap Aplikasi PeduliLindungi pada Jejaring Sosial Twitter Menggunakan Algoritma Naïve Bayes dan Seleksi Fitur Particle Swarm Optimization. Informatik : Jurnal Ilmu Komputer, 19(1), 68–80. https://doi.org/10.52958/iftk.v19i1.4688
Husada, H. C., & Paramita, A. S. (2021). Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM). Teknika, 10(1), 18–26. https://doi.org/10.34148/teknika.v10i1.311
Jon, A. M. (2022). Analisis Sentimen Pada Media Sosial Instagram Klub Persija Jakarta Menggunakan Metode Naive Bayes. 958.
Muhaimin, A., Rafka, M., & Alamsyah, R. B. (2022). Citayam Fashion Week dalam Twitter. Senada, 2022(Senada), 61–65. https://senada.upnjatim.ac.id/index.php/senada/article/view/47%0Ahttps://senada.upnjatim.ac.id/index.php/senada/article/download/47/25
Muktafin, E. H., Kusrini, K., & Luthfi, E. T. (2020). Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing. Jurnal Eksplora Informatika, 10(1), 32–42. https://doi.org/10.30864/eksplora.v10i1.390
Oktaviani Putri, F., & Cahya Wihandika, R. (2020). Analisis Sentimen pada Ulasan Pengguna MRT Jakarta Menggunakan Metode Neighbor-Weighted K-Nearest Neighbor dengan Seleksi Fitur Information Gain. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(7), 2195–2203. http://j-ptiik.ub.ac.id
RI, K. (2010). Peraturan Menteri Perhubungan Nomor : Km. 29 Tahun 2010 Tentang Penyelenggaraan Kewajiban Pelayanan Publik Angkutan Orang Dengan Kereta Api Kelas Ekonomi Tahun Anggaran 2010.
Sari, C. Y. (2019). Implementasi Metode K-Nearest Neighbor Dalam Memprediksi Bau, Rasa Dan Warna Air Sumur Di Kelurahan Selat Baru Bengkalis. https://repository.uir.ac.id/8862/%0Ahttps://repository.uir.ac.id/8862/1/153510266.pdf
Telnoni, P. A. (2021). Pelabelan Data Dengan Latent Dirichlet Allocationdan K-Means Clustering pada Data TwitterMenggunakan Bahasa Indonesia. Jurnal Elektro Dan Telekomunikasi Terapan, 7(2), 885. http://journals.telkomuniversity.ac.id/jett/article/view/3442
Tempola, F., Muhammad, M., & Khairan, A. (2018). Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(5), 577. https://doi.org/10.25126/jtiik.201855983
Zhafira, D. F., Rahayudi, B., & Indriati, I. (2021). Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube. Jurnal Sistem Informasi, Teknologi Informasi, Dan Edukasi Sistem Informasi, 2(1), 55–63. https://doi.org/10.25126/justsi.v2i1.24
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Risnaldy Novendra Irawan; Kartika Maulida Hindrayani, Mohammad Idhom
This work is licensed under a Creative Commons Attribution 4.0 International License.
